Modelos
Flavio Galán, Gustavo Cruz, Pedro Guzmán
2025-05-23
## Warning: package 'rio' was built under R version 4.4.3## Warning: package 'janitor' was built under R version 4.4.3##
## Attaching package: 'janitor'## The following objects are masked from 'package:stats':
##
## chisq.test, fisher.test## Warning: package 'dplyr' was built under R version 4.4.3##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union## Loading required package: viridisLite##
## Attaching package: 'scales'## The following object is masked from 'package:viridis':
##
## viridis_pal## Warning: package 'purrr' was built under R version 4.4.3##
## Attaching package: 'purrr'## The following object is masked from 'package:scales':
##
## discard## Warning: package 'plotly' was built under R version 4.4.3##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:rio':
##
## export## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layout## Warning: package 'fastDummies' was built under R version 4.4.3## Warning: package 'hopkins' was built under R version 4.4.3## Warning: package 'fpc' was built under R version 4.4.3## Warning: package 'factoextra' was built under R version 4.4.3## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa## Warning: package 'cluster' was built under R version 4.4.3## Warning: package 'e1071' was built under R version 4.4.3## Package 'mclust' version 6.1.1
## Type 'citation("mclust")' for citing this R package in publications.##
## Attaching package: 'mclust'## The following object is masked from 'package:purrr':
##
## map## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2## Warning: package 'FeatureImpCluster' was built under R version 4.4.3## Loading required package: data.table##
## Attaching package: 'data.table'## The following object is masked from 'package:purrr':
##
## transpose## The following objects are masked from 'package:dplyr':
##
## between, first, last## Warning: package 'pheatmap' was built under R version 4.4.3## Warning: package 'flexclust' was built under R version 4.4.3##
## Attaching package: 'flexclust'## The following object is masked from 'package:e1071':
##
## bclust## Warning: package 'ggrepel' was built under R version 4.4.3## Warning: package 'randomForest' was built under R version 4.4.3## randomForest 4.7-1.2## Type rfNews() to see new features/changes/bug fixes.##
## Attaching package: 'randomForest'## The following object is masked from 'package:dplyr':
##
## combine## The following object is masked from 'package:ggplot2':
##
## margin## Warning: package 'ranger' was built under R version 4.4.3##
## Attaching package: 'ranger'## The following object is masked from 'package:randomForest':
##
## importance## Warning: package 'caret' was built under R version 4.4.3## Loading required package: lattice## Warning: package 'lattice' was built under R version 4.4.3##
## Attaching package: 'lattice'## The following objects are masked from 'package:flexclust':
##
## barchart, bwplot, densityplot, histogram##
## Attaching package: 'caret'## The following object is masked from 'package:purrr':
##
## lift## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ lubridate 1.9.4 ✔ stringr 1.5.1
## ✔ readr 2.1.5 ✔ tibble 3.2.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ data.table::between() masks dplyr::between()
## ✖ readr::col_factor() masks scales::col_factor()
## ✖ randomForest::combine() masks dplyr::combine()
## ✖ purrr::discard() masks scales::discard()
## ✖ plotly::filter() masks dplyr::filter(), stats::filter()
## ✖ data.table::first() masks dplyr::first()
## ✖ lubridate::hour() masks data.table::hour()
## ✖ lubridate::isoweek() masks data.table::isoweek()
## ✖ dplyr::lag() masks stats::lag()
## ✖ data.table::last() masks dplyr::last()
## ✖ caret::lift() masks purrr::lift()
## ✖ mclust::map() masks purrr::map()
## ✖ randomForest::margin() masks ggplot2::margin()
## ✖ lubridate::mday() masks data.table::mday()
## ✖ lubridate::minute() masks data.table::minute()
## ✖ lubridate::month() masks data.table::month()
## ✖ lubridate::quarter() masks data.table::quarter()
## ✖ lubridate::second() masks data.table::second()
## ✖ data.table::transpose() masks purrr::transpose()
## ✖ lubridate::wday() masks data.table::wday()
## ✖ lubridate::week() masks data.table::week()
## ✖ lubridate::yday() masks data.table::yday()
## ✖ lubridate::year() masks data.table::year()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors## Warning: package 'rpart' was built under R version 4.4.3## Warning: package 'rpart.plot' was built under R version 4.4.3Modelos con Algoritmos
Determinamos que la variable respuesta para nuestra investigación sería el ratio que describimos con anterioridad en el análisis exploratorio entre la edad de la víctima y el agresor. La cual se encuentra definida como:
\[ q=\frac{edad\ victima}{edad\ agresor} \]
Este nuevo indicador “q” lo dividimos en 3 categorías, según qué tanta diferencia de edad se encontró entre víctimas y agresores. Las categrías son las siguientes:
- Edad similar. El \(q\in(0.8,1.2)\).
- Victima mucho menor. El \(q \le 0.8\).
- Victima mucho mayor. El \(q \ge 1.2\).
División de los datos
Primero, tenemos que unir todos los datasets de los años anteriores, entonces
## HEC_DIA HEC_MES HEC_ANO HEC_DEPTO
## Min. : 1.00 Min. : 1.00 Min. :2000 Min. : 1.0
## 1st Qu.: 7.00 1st Qu.: 3.00 1st Qu.:2015 1st Qu.: 1.0
## Median :15.00 Median : 6.00 Median :2018 Median :10.0
## Mean :15.33 Mean : 6.19 Mean :2018 Mean : 8.9
## 3rd Qu.:23.00 3rd Qu.:10.00 3rd Qu.:2021 3rd Qu.:16.0
## Max. :31.00 Max. :12.00 Max. :2023 Max. :22.0
## NA's :16084 NA's :33585 NA's :4170 NA's :330334
## HEC_DEPTOMCPIO HEC_TIPAGRE NUMERO_BOLETA DIA_EMISION
## Min. : 101.0 Min. :1111 Min. : 0 Min. : 1.00
## 1st Qu.: 311.0 1st Qu.:1122 1st Qu.: 40 1st Qu.: 8.00
## Median :1003.0 Median :1222 Median : 95 Median :15.00
## Mean : 961.3 Mean :1603 Mean : 1057 Mean :15.32
## 3rd Qu.:1601.0 3rd Qu.:2122 3rd Qu.: 363 3rd Qu.:23.00
## Max. :2217.0 Max. :2221 Max. :17020 Max. :31.00
## NA's :1859 NA's :254152
## MES_EMISION ANO_EMISION DEPTO DEPTO_MCPIO
## Min. : 1.000 Min. :2013 Min. : 1.0 Min. : 101.0
## 1st Qu.: 4.000 1st Qu.:2015 1st Qu.: 1.0 1st Qu.: 309.0
## Median : 6.000 Median :2018 Median : 9.0 Median :1003.0
## Mean : 6.421 Mean :2018 Mean : 8.7 Mean : 958.3
## 3rd Qu.: 9.000 3rd Qu.:2021 3rd Qu.:15.0 3rd Qu.:1601.0
## Max. :12.000 Max. :2023 Max. :22.0 Max. :2217.0
## NA's :327781
## QUIEN_REPORTA VIC_SEXO VIC_EDAD TOTAL_HIJOS
## Min. :1.000 Min. :1.000 Min. : 1.00 Min. : 0.00
## 1st Qu.:1.000 1st Qu.:2.000 1st Qu.:24.00 1st Qu.: 1.00
## Median :1.000 Median :2.000 Median :31.00 Median : 2.00
## Mean :1.031 Mean :1.878 Mean :33.63 Mean : 2.08
## 3rd Qu.:1.000 3rd Qu.:2.000 3rd Qu.:40.00 3rd Qu.: 3.00
## Max. :3.000 Max. :2.000 Max. :98.00 Max. :19.00
## NA's :4362 NA's :5635 NA's :75236
## NUM_HIJ_HOM NUM_HIJ_MUJ VIC_ALFAB VIC_ESCOLARIDAD
## Min. : 0.00 Min. : 0.00 Min. :1.000 Min. :10.0
## 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.:1.000 1st Qu.:23.0
## Median : 1.00 Median : 1.00 Median :1.000 Median :29.0
## Mean : 1.08 Mean : 1.01 Mean :1.163 Mean :29.7
## 3rd Qu.: 2.00 3rd Qu.: 2.00 3rd Qu.:1.000 3rd Qu.:39.0
## Max. :14.00 Max. :14.00 Max. :2.000 Max. :59.0
## NA's :74409 NA's :74364 NA's :3326 NA's :12268
## VIC_EST_CIV VIC_GRUPET VIC_NACIONAL VIC_TRABAJA
## Min. :1.00 Min. :1.000 Min. :1.000 Min. :1.00
## 1st Qu.:2.00 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.00
## Median :2.00 Median :1.000 Median :1.000 Median :2.00
## Mean :2.28 Mean :1.921 Mean :1.005 Mean :1.66
## 3rd Qu.:3.00 3rd Qu.:2.000 3rd Qu.:1.000 3rd Qu.:2.00
## Max. :5.00 Max. :6.000 Max. :2.000 Max. :2.00
## NA's :71927 NA's :5478 NA's :2488 NA's :2645
## VIC_OCUP VIC_DEDICA VIC_DISC TIPO_DISCAQ
## Min. : 110 Min. :1.0 Min. :1.000 Min. :1.0
## 1st Qu.:5142 1st Qu.:1.0 1st Qu.:2.000 1st Qu.:2.0
## Median :5311 Median :1.0 Median :2.000 Median :3.0
## Mean :6258 Mean :1.1 Mean :1.992 Mean :3.3
## 3rd Qu.:9111 3rd Qu.:1.0 3rd Qu.:2.000 3rd Qu.:6.0
## Max. :9998 Max. :6.0 Max. :2.000 Max. :6.0
## NA's :245216 NA's :129152 NA's :16136 NA's :363397
## VIC_REL_AGR OTRAS_VICTIMAS VIC_OTRAS_HOM VIC_OTRAS_MUJ
## Min. : 1.000 Min. : 0.00 Min. :0.00 Min. : 0.00
## 1st Qu.: 1.000 1st Qu.: 0.00 1st Qu.:0.00 1st Qu.: 0.00
## Median : 2.000 Median : 0.00 Median :0.00 Median : 0.00
## Mean : 3.446 Mean : 0.85 Mean :0.09 Mean : 0.15
## 3rd Qu.: 4.000 3rd Qu.: 1.00 3rd Qu.:0.00 3rd Qu.: 0.00
## Max. :10.000 Max. :19.00 Max. :8.00 Max. :14.00
## NA's :144298 NA's :144107 NA's :144110
## VIC_OTRAS_N_OS VIC_OTRAS_N_AS HEC_AREA HEC_RECUR_DENUN
## Min. : 0.00 Min. :0.0 Min. :1.000 Min. :1.000
## 1st Qu.: 0.00 1st Qu.:0.0 1st Qu.:1.000 1st Qu.:2.000
## Median : 0.00 Median :0.0 Median :1.000 Median :2.000
## Mean : 0.32 Mean :0.3 Mean :1.426 Mean :1.884
## 3rd Qu.: 0.00 3rd Qu.:0.0 3rd Qu.:2.000 3rd Qu.:2.000
## Max. :11.00 Max. :8.0 Max. :2.000 Max. :2.000
## NA's :144109 NA's :144106 NA's :12853 NA's :13702
## INST_DONDE_DENUNCIO AGR_SEXO AGR_EDAD AGR_ALFAB
## Min. :1.0 Min. :1.000 Min. : 7.00 Min. :1.000
## 1st Qu.:3.0 1st Qu.:1.000 1st Qu.:26.00 1st Qu.:1.000
## Median :4.0 Median :1.000 Median :33.00 Median :1.000
## Mean :3.1 Mean :1.152 Mean :34.56 Mean :1.121
## 3rd Qu.:4.0 3rd Qu.:1.000 3rd Qu.:40.00 3rd Qu.:1.000
## Max. :6.0 Max. :2.000 Max. :98.00 Max. :2.000
## NA's :329334 NA's :24014 NA's :9183
## AGR_ESCOLARIDAD AGR_EST_CIV AGR_GURPET AGR_NACIONAL
## Min. :10.00 Min. :1.00 Min. :1.000 Min. :1.000
## 1st Qu.:24.00 1st Qu.:2.00 1st Qu.:1.000 1st Qu.:1.000
## Median :29.00 Median :2.00 Median :1.000 Median :1.000
## Mean :30.26 Mean :2.28 Mean :1.941 Mean :1.004
## 3rd Qu.:39.00 3rd Qu.:3.00 3rd Qu.:2.000 3rd Qu.:1.000
## Max. :59.00 Max. :5.00 Max. :6.000 Max. :2.000
## NA's :21433 NA's :72192 NA's :6834 NA's :10559
## AGR_TRABAJA AGR_OCUP AGR_DEDICA AGRESORES_OTROS_TOTAL
## Min. :1.000 Min. : 110 Min. :1.00 Min. : 0.00
## 1st Qu.:1.000 1st Qu.:5414 1st Qu.:1.00 1st Qu.: 0.00
## Median :1.000 Median :6111 Median :1.00 Median : 0.00
## Mean :1.207 Mean :6890 Mean :1.82 Mean : 0.21
## 3rd Qu.:1.000 3rd Qu.:9111 3rd Qu.:3.00 3rd Qu.: 0.00
## Max. :2.000 Max. :9998 Max. :6.00 Max. :15.00
## NA's :14964 NA's :100602 NA's :304722 NA's :187468
## AGR_OTROS_HOM AGR_OTRAS_MUJ AGR_OTROS_N_OS AGR_OTRAS_N_AS
## Min. :0.00 Min. :0.0 Min. :0.00 Min. :0.00
## 1st Qu.:0.00 1st Qu.:0.0 1st Qu.:0.00 1st Qu.:0.00
## Median :0.00 Median :0.0 Median :0.00 Median :0.00
## Mean :0.07 Mean :0.1 Mean :0.02 Mean :0.01
## 3rd Qu.:0.00 3rd Qu.:0.0 3rd Qu.:0.00 3rd Qu.:0.00
## Max. :8.00 Max. :8.0 Max. :7.00 Max. :6.00
## NA's :187462 NA's :187462 NA's :187461 NA's :187461
## INST_DENUN_HECHO ORGANISMO_JURISDICCIONAL CONDUCENTE LEY_APLICABLE
## Min. :1.000 Min. : 1.00 Min. :1.00 Min. :1.00
## 1st Qu.:3.000 1st Qu.: 1.00 1st Qu.:1.00 1st Qu.:1.00
## Median :4.000 Median : 1.00 Median :1.00 Median :1.00
## Mean :3.443 Mean : 4.73 Mean :1.38 Mean :1.74
## 3rd Qu.:4.000 3rd Qu.: 7.00 3rd Qu.:2.00 3rd Qu.:3.00
## Max. :6.000 Max. :16.00 Max. :2.00 Max. :6.00
## NA's :240778 NA's :249954 NA's :170923
## ARTICULOVIF1 ARTICULOVIF2 ARTICULOVIF3 ARTICULOVIF4
## Min. : 1.00 Min. : 0.00 Min. : 0.00 Min. : 0.00
## 1st Qu.: 7.00 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.00
## Median : 7.00 Median : 0.00 Median : 0.00 Median : 0.00
## Mean : 6.71 Mean : 0.35 Mean : 0.24 Mean : 0.26
## 3rd Qu.: 7.00 3rd Qu.: 0.00 3rd Qu.: 0.00 3rd Qu.: 0.00
## Max. :10.00 Max. :15.00 Max. :17.00 Max. :16.00
## NA's :244073 NA's :244881 NA's :244922 NA's :244164
## ARTICULOVCM1 ARTICULOVCM2 ARTICULOVCM3 ARTICULOVCM4
## Min. : 0.0 Min. : 0.0 Min. : 0.0 Min. : 0.0
## 1st Qu.: 7.0 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## Median : 7.0 Median : 0.0 Median : 0.0 Median : 0.0
## Mean : 6.6 Mean : 0.6 Mean : 0.2 Mean : 0.3
## 3rd Qu.: 7.0 3rd Qu.: 0.0 3rd Qu.: 0.0 3rd Qu.: 0.0
## Max. :25.0 Max. :25.0 Max. :25.0 Max. :25.0
## NA's :328046 NA's :325569 NA's :324914 NA's :324774
## ARTICULOCODPEN1 ARTICULOCODPEN2 ARTICULOCODPEN3 ARTICULOCODPEN4
## Min. : 1.0 Min. : 0 Min. : 0.0 Min. : 0.0
## 1st Qu.:203.0 1st Qu.: 0 1st Qu.: 0.0 1st Qu.: 0.0
## Median :215.0 Median : 0 Median : 0.0 Median : 0.0
## Mean :312.2 Mean : 29 Mean : 1.4 Mean : 0.5
## 3rd Qu.:482.0 3rd Qu.: 0 3rd Qu.: 0.0 3rd Qu.: 0.0
## Max. :495.0 Max. :494 Max. :257.0 Max. :205.0
## NA's :364280 NA's :364280 NA's :364280 NA's :364280
## ARTICULOTRAS1 ARTICULOTRAS2 ARTICULOTRAS3 ARTICULOTRAS4
## Min. :141.0 Min. : 0.0 Min. :0 Min. :0
## 1st Qu.:141.0 1st Qu.:142.0 1st Qu.:0 1st Qu.:0
## Median :141.0 Median :142.0 Median :0 Median :0
## Mean :147.4 Mean :113.6 Mean :0 Mean :0
## 3rd Qu.:141.0 3rd Qu.:142.0 3rd Qu.:0 3rd Qu.:0
## Max. :173.0 Max. :142.0 Max. :0 Max. :0
## NA's :365124 NA's :365124 NA's :365124 NA's :365124
## MEDIDAS_SEGURIDAD TIPO_MEDIDA ORGANISMO_REMITE
## Min. :1 Length:365129 Min. : 1.00
## 1st Qu.:1 Class :character 1st Qu.:17.00
## Median :1 Mode :character Median :17.00
## Mean :1 Mean :15.71
## 3rd Qu.:1 3rd Qu.:18.00
## Max. :2 Max. :19.00
## NA's :171957 NA's :277781Ahora creamos la variable respuesta:
## HEC_DIA HEC_MES HEC_ANO HEC_DEPTO
## Min. : 1.00 Min. : 1.000 Min. :2000 Min. : 1.00
## 1st Qu.: 7.00 1st Qu.: 3.000 1st Qu.:2015 1st Qu.: 2.00
## Median :15.00 Median : 6.000 Median :2018 Median :10.00
## Mean :15.31 Mean : 6.182 Mean :2018 Mean : 9.11
## 3rd Qu.:23.00 3rd Qu.:10.000 3rd Qu.:2021 3rd Qu.:16.00
## Max. :31.00 Max. :12.000 Max. :2023 Max. :22.00
## NA's :14243 NA's :30375 NA's :3242 NA's :306113
## HEC_DEPTOMCPIO HEC_TIPAGRE NUMERO_BOLETA DIA_EMISION
## Min. : 101.0 Min. :1111 Min. : 0 Min. : 1.00
## 1st Qu.: 312.0 1st Qu.:1122 1st Qu.: 39 1st Qu.: 8.00
## Median :1004.0 Median :1222 Median : 93 Median :15.00
## Mean : 963.8 Mean :1600 Mean : 1122 Mean :15.31
## 3rd Qu.:1601.0 3rd Qu.:2122 3rd Qu.: 357 3rd Qu.:23.00
## Max. :2217.0 Max. :2221 Max. :17020 Max. :31.00
## NA's :1241 NA's :236858
## MES_EMISION ANO_EMISION DEPTO DEPTO_MCPIO
## Min. : 1.000 Min. :2013 Min. : 1.00 Min. : 101.0
## 1st Qu.: 4.000 1st Qu.:2015 1st Qu.: 2.00 1st Qu.: 312.0
## Median : 6.000 Median :2018 Median : 9.00 Median :1004.0
## Mean : 6.414 Mean :2018 Mean : 8.99 Mean : 961.8
## 3rd Qu.: 9.000 3rd Qu.:2021 3rd Qu.:15.00 3rd Qu.:1601.0
## Max. :12.000 Max. :2023 Max. :22.00 Max. :2217.0
## NA's :303902
## QUIEN_REPORTA VIC_SEXO VIC_EDAD TOTAL_HIJOS
## Min. :1.000 Min. :1.000 Min. : 1.00 Min. : 0.00
## 1st Qu.:1.000 1st Qu.:2.000 1st Qu.:24.00 1st Qu.: 1.00
## Median :1.000 Median :2.000 Median :31.00 Median : 2.00
## Mean :1.029 Mean :1.878 Mean :33.56 Mean : 2.09
## 3rd Qu.:1.000 3rd Qu.:2.000 3rd Qu.:40.00 3rd Qu.: 3.00
## Max. :3.000 Max. :2.000 Max. :98.00 Max. :19.00
## NA's :3679 NA's :62215
## NUM_HIJ_HOM NUM_HIJ_MUJ VIC_ALFAB VIC_ESCOLARIDAD
## Min. : 0.00 Min. : 0.00 Min. :1.000 Min. :10.00
## 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.:1.000 1st Qu.:23.00
## Median : 1.00 Median : 1.00 Median :1.000 Median :29.00
## Mean : 1.09 Mean : 1.02 Mean :1.162 Mean :29.72
## 3rd Qu.: 2.00 3rd Qu.: 2.00 3rd Qu.:1.000 3rd Qu.:39.00
## Max. :14.00 Max. :14.00 Max. :2.000 Max. :59.00
## NA's :61418 NA's :61381 NA's :2068 NA's :8208
## VIC_EST_CIV VIC_GRUPET VIC_NACIONAL VIC_TRABAJA
## Min. :1.00 Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:2.00 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000
## Median :2.00 Median :1.000 Median :1.000 Median :2.000
## Mean :2.29 Mean :1.901 Mean :1.005 Mean :1.657
## 3rd Qu.:3.00 3rd Qu.:2.000 3rd Qu.:1.000 3rd Qu.:2.000
## Max. :5.00 Max. :6.000 Max. :2.000 Max. :2.000
## NA's :65122 NA's :4350 NA's :1965 NA's :1815
## VIC_OCUP VIC_DEDICA VIC_DISC TIPO_DISCAQ
## Min. : 110 Min. :1.0 Min. :1.000 Min. :1.0
## 1st Qu.:5142 1st Qu.:1.0 1st Qu.:2.000 1st Qu.:2.0
## Median :5249 Median :1.0 Median :2.000 Median :3.0
## Mean :6255 Mean :1.1 Mean :1.992 Mean :3.3
## 3rd Qu.:9111 3rd Qu.:1.0 3rd Qu.:2.000 3rd Qu.:5.0
## Max. :9998 Max. :6.0 Max. :2.000 Max. :6.0
## NA's :225247 NA's :119518 NA's :13392 NA's :335976
## VIC_REL_AGR OTRAS_VICTIMAS VIC_OTRAS_HOM VIC_OTRAS_MUJ
## Min. : 1.000 Min. : 0.00 Min. :0.00 Min. : 0.00
## 1st Qu.: 1.000 1st Qu.: 0.00 1st Qu.:0.00 1st Qu.: 0.00
## Median : 2.000 Median : 0.00 Median :0.00 Median : 0.00
## Mean : 3.399 Mean : 0.85 Mean :0.09 Mean : 0.15
## 3rd Qu.: 3.000 3rd Qu.: 1.00 3rd Qu.:0.00 3rd Qu.: 0.00
## Max. :10.000 Max. :19.00 Max. :8.00 Max. :14.00
## NA's :127533 NA's :127348 NA's :127351
## VIC_OTRAS_N_OS VIC_OTRAS_N_AS HEC_AREA HEC_RECUR_DENUN
## Min. : 0.00 Min. :0.0 Min. :1.000 Min. :1.000
## 1st Qu.: 0.00 1st Qu.:0.0 1st Qu.:1.000 1st Qu.:2.000
## Median : 0.00 Median :0.0 Median :1.000 Median :2.000
## Mean : 0.32 Mean :0.3 Mean :1.428 Mean :1.884
## 3rd Qu.: 0.00 3rd Qu.:0.0 3rd Qu.:2.000 3rd Qu.:2.000
## Max. :11.00 Max. :8.0 Max. :2.000 Max. :2.000
## NA's :127350 NA's :127347 NA's :10560 NA's :11185
## INST_DONDE_DENUNCIO AGR_SEXO AGR_EDAD AGR_ALFAB
## Min. :1.00 Min. :1.000 Min. : 7.00 Min. :1.000
## 1st Qu.:3.00 1st Qu.:1.000 1st Qu.:26.00 1st Qu.:1.000
## Median :4.00 Median :1.000 Median :33.00 Median :1.000
## Mean :3.11 Mean :1.151 Mean :34.55 Mean :1.118
## 3rd Qu.:4.00 3rd Qu.:1.000 3rd Qu.:40.00 3rd Qu.:1.000
## Max. :6.00 Max. :2.000 Max. :98.00 Max. :2.000
## NA's :303926 NA's :3680
## AGR_ESCOLARIDAD AGR_EST_CIV AGR_GURPET AGR_NACIONAL AGR_TRABAJA
## Min. :10.00 Min. :1.00 Min. :1.00 Min. :1.000 Min. :1.000
## 1st Qu.:24.00 1st Qu.:2.00 1st Qu.:1.00 1st Qu.:1.000 1st Qu.:1.000
## Median :29.00 Median :2.00 Median :1.00 Median :1.000 Median :1.000
## Mean :30.33 Mean :2.28 Mean :1.92 Mean :1.004 Mean :1.203
## 3rd Qu.:39.00 3rd Qu.:3.00 3rd Qu.:2.00 3rd Qu.:1.000 3rd Qu.:1.000
## Max. :59.00 Max. :5.00 Max. :6.00 Max. :2.000 Max. :2.000
## NA's :12841 NA's :63726 NA's :5363 NA's :8525 NA's :8017
## AGR_OCUP AGR_DEDICA AGRESORES_OTROS_TOTAL AGR_OTROS_HOM
## Min. : 110 Min. :1.00 Min. : 0.0 Min. :0.00
## 1st Qu.:5414 1st Qu.:1.00 1st Qu.: 0.0 1st Qu.:0.00
## Median :6111 Median :1.00 Median : 0.0 Median :0.00
## Mean :6876 Mean :1.84 Mean : 0.2 Mean :0.07
## 3rd Qu.:9111 3rd Qu.:3.00 3rd Qu.: 0.0 3rd Qu.:0.00
## Max. :9998 Max. :6.00 Max. :15.0 Max. :8.00
## NA's :85227 NA's :280879 NA's :167456 NA's :167452
## AGR_OTRAS_MUJ AGR_OTROS_N_OS AGR_OTRAS_N_AS INST_DENUN_HECHO
## Min. :0.0 Min. :0.00 Min. :0.00 Min. :1.000
## 1st Qu.:0.0 1st Qu.:0.00 1st Qu.:0.00 1st Qu.:3.000
## Median :0.0 Median :0.00 Median :0.00 Median :4.000
## Mean :0.1 Mean :0.02 Mean :0.01 Mean :3.439
## 3rd Qu.:0.0 3rd Qu.:0.00 3rd Qu.:0.00 3rd Qu.:4.000
## Max. :8.0 Max. :7.00 Max. :6.00 Max. :6.000
## NA's :167451 NA's :167451 NA's :167451
## ORGANISMO_JURISDICCIONAL CONDUCENTE LEY_APLICABLE ARTICULOVIF1
## Min. : 1.00 Min. :1.00 Min. :1.00 Min. : 1.0
## 1st Qu.: 1.00 1st Qu.:1.00 1st Qu.:1.00 1st Qu.: 7.0
## Median : 1.00 Median :1.00 Median :1.00 Median : 7.0
## Mean : 4.69 Mean :1.37 Mean :1.75 Mean : 6.7
## 3rd Qu.: 7.00 3rd Qu.:2.00 3rd Qu.:3.00 3rd Qu.: 7.0
## Max. :16.00 Max. :2.00 Max. :6.00 Max. :10.0
## NA's :225602 NA's :233203 NA's :159784 NA's :228391
## ARTICULOVIF2 ARTICULOVIF3 ARTICULOVIF4 ARTICULOVCM1
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. : 0.00
## 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 7.00
## Median : 0.00 Median : 0.00 Median : 0.00 Median : 7.00
## Mean : 0.36 Mean : 0.24 Mean : 0.26 Mean : 6.57
## 3rd Qu.: 0.00 3rd Qu.: 0.00 3rd Qu.: 0.00 3rd Qu.: 7.00
## Max. :15.00 Max. :17.00 Max. :16.00 Max. :25.00
## NA's :229166 NA's :229184 NA's :228480 NA's :303468
## ARTICULOVCM2 ARTICULOVCM3 ARTICULOVCM4 ARTICULOCODPEN1
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. : 4
## 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.:203
## Median : 0.00 Median : 0.00 Median : 0.00 Median :215
## Mean : 0.57 Mean : 0.21 Mean : 0.28 Mean :322
## 3rd Qu.: 0.00 3rd Qu.: 0.00 3rd Qu.: 0.00 3rd Qu.:483
## Max. :25.00 Max. :25.00 Max. :25.00 Max. :495
## NA's :301080 NA's :300434 NA's :300297 NA's :336796
## ARTICULOCODPEN2 ARTICULOCODPEN3 ARTICULOCODPEN4 ARTICULOTRAS1
## Min. : 0.0 Min. : 0.0 Min. : 0.0 Min. :141.0
## 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.:141.0
## Median : 0.0 Median : 0.0 Median : 0.0 Median :141.0
## Mean : 29.8 Mean : 1.6 Mean : 0.6 Mean :147.4
## 3rd Qu.: 0.0 3rd Qu.: 0.0 3rd Qu.: 0.0 3rd Qu.:141.0
## Max. :494.0 Max. :257.0 Max. :205.0 Max. :173.0
## NA's :336796 NA's :336796 NA's :336796 NA's :337519
## ARTICULOTRAS2 ARTICULOTRAS3 ARTICULOTRAS4 MEDIDAS_SEGURIDAD
## Min. : 0.0 Min. :0 Min. :0 Min. :1
## 1st Qu.:142.0 1st Qu.:0 1st Qu.:0 1st Qu.:1
## Median :142.0 Median :0 Median :0 Median :1
## Mean :113.6 Mean :0 Mean :0 Mean :1
## 3rd Qu.:142.0 3rd Qu.:0 3rd Qu.:0 3rd Qu.:1
## Max. :142.0 Max. :0 Max. :0 Max. :2
## NA's :337519 NA's :337519 NA's :337519 NA's :160713
## TIPO_MEDIDA ORGANISMO_REMITE ratio_age diferenciaEdad
## Length:337524 Min. : 1.00 Min. :0.0200 Length:337524
## Class :character 1st Qu.:17.00 1st Qu.:0.8276 Class :character
## Mode :character Median :17.00 Median :0.9375 Mode :character
## Mean :15.71 Mean :1.0165
## 3rd Qu.:18.00 3rd Qu.:1.0588
## Max. :19.00 Max. :9.0000
## NA's :257336Con esto podemos decir que el dataset tiene 77 variables y 337524 observaciones.
Vemos que hay variables con una gran presencia de NA’s, por esa razón eliminaremos aqueellas variables que tengan más del 50% de valores en NA.
## Warning in eliminar_columnas_por_na(edad_agr_vic, qualitative_vars): Algunas de
## las variables especificadas no se encontraron en el data.frame y serán omitidas
## de la evaluación.## Se eliminarán las siguientes columnas debido a que superan el 50% de NA: HEC_DEPTO, VIC_OCUP, TIPO_DISCAQ, INST_DONDE_DENUNCIO, AGR_DEDICA, ORGANISMO_JURISDICCIONAL, CONDUCENTE, ORGANISMO_REMITECon lo cual decidimos dividir el dataset en 2 grupos, uno de validación y otro para entrenamiento, el de validación tiene el 30% de los datos mientras que el de entrenamiento el 70%. Los grupos se ven así:
Como se puede ver existe una alta desigualdad en los datos, puesto que la gran mayoría de los casos se dan cuando la víctima tiene una edad similar al agresor. Definitivamente esto será algo a tomar en cuenta durante el entrenamiento del modelo, uno de las posibles optimizaciones a evaluar podría ser balancear la data de entrenamiento para mejorar la precisión.
Balanceo y optiminzación
##
## Mucho mayor Mucho menor Similar
## 35000 35000 35000##
## Mucho mayor Mucho menor Similar
## 15000 15000 15000Modelos elegidos
Se decidió utilizar el modelo random forest ya qu, a pesar de su alto coste computacional, en entregas anteriores se ha determinado que este algoritmo ofrece una mayor presición a la hora de calificar o predecir la información. Para realizar los modelos se realizarán las siguietes transformaciones al conjunto de datos:
- Sustituir los valores NA en las variables numéricas con el valor de la mediana.
- Cambiar los NA en las varibles categóricas a una nueva categoría llamada “Desconocido”
- Crear una nueva varible llamadaratio age la cuál será el cociente entre la edad del agresor y la de la víctima
- Tunear el número de variables y el split de variables en cada uno de los nuevos modelos a genenrar.
Random forest
## Entrenando modelo 1 (Conservador)## Entrenando modelo 2 (Intermedio)## Entrenando modelo 3 (Agresivo)## [1] "Tabla de métricas de los tres modelos:"
## MAE RMSE R2
## Model1 0.09722443 0.16362844 0.9190396
## Model2 0.02058241 0.04456248 0.9939953
## Model3 0.01589478 0.03672622 0.9959214
## Modelo final de random forest
Se exploraron tres modelos de Random Forest con diferentes configuraciones de parámetros para predecir la variable ratio_age. El Modelo 1, cuenta con menos árboles, menos variables por división y nodos más grandes, en comparación del modelo 2 y 3, y mostró un RMSE relativamente alto de 0.2712 y un R2 de 0.8307. El gráfico de dispersión revela una mayor dispersión de los puntos alrededor de la línea de predicción perfecta, indicando una menor precisión en las predicciones. En contraste, el Modelo 2, que empleó un mayor número de árboles, más variables por división y nodos más pequeños, demostró una mejora significativa en el rendimiento, con un RMSE de 0.096 y un R2 de 0.9788. El gráfico correspondiente exhibe una concentración mucho mayor de los puntos cerca de la línea de predicción ideal, lo que sugiere predicciones más precisas. Finalmente, el Modelo 3, que buscó un equilibrio en el número de árboles, la cantidad de variables por división y el tamaño de los nodos, logró los mejores resultados con un RMSE de 0.0824 y un R2 de 0.9844. Su gráfico de dispersión muestra la menor dispersión de los puntos, indicando la mayor exactitud predictiva entre los tres modelos.
La elección de estos parámetros se basó en la búsqueda de un equilibrio entre la capacidad del modelo para capturar patrones complejos en los datos y la necesidad de evitar el sobreajuste. El Modelo 1, al ser más conservador, probablemente incurrió en un mayor sesgo al no permitir suficiente flexibilidad en el aprendizaje. Los Modelos 2 y 3, al aumentar la complejidad, más árboles y más variables consideradas en cada división, lograron reducir significativamente el error.
## El mejor modelo es Modelo 3 con RMSE = 0.0367262241615969## Entrenando modelo FINAL con parámetros optimizados## Resultados del modelo FINAL:## MAE RMSE R2
## 0.01577990 0.03669582 0.99592818## [1] "Comparación entre el mejor modelo inicial y el modelo final:"
## MAE RMSE R2
## Mejor Modelo Inicial 0.01589478 0.03672622 0.9959214
## Modelo Final Optimizado 0.01577990 0.03669582 0.9959282## `geom_smooth()` using formula = 'y ~ x'
## Resumen de importancia de variables (top 5):## diferenciaEdad VIC_EDAD AGR_EDAD VIC_REL_AGR AGR_EST_CIV
## 11027.7630 6878.8330 4427.7124 2464.8919 314.4744## Análisis completado. El modelo final ha sido guardado como 'rf_model_final.rds'Debido a los resultados obtenidos de los 3 modelos iniciales, el Modelo 3 se eligió como el de mejor rendimiento en el conjunto de prueba, con un RMSE de 0.0824 y un R2 de 0.9844. Basándonos en la configuración de hiperparámetros de este modelo, se entrenó un Modelo Final Optimizado, realizando un ligero ajuste al aumentar el número de árboles a 600. La evaluación de este modelo final en el conjunto de prueba resultó en una ligera mejora en las métricas de rendimiento, alcanzando un MAE de 0.0120, un RMSE de 0.0821 y un R2 de 0.9845.
El gráfico de dispersión del modelo final muestra una concentración aún mayor de los puntos alrededor de la línea de predicción perfecta, lo que indica una alta precisión en las predicciones. No obstante, la mejora marginal también indica que el modelo inicial ya se encontraba muy cerca de su máximo potencial con los datos disponibles. En cuanto al sobreajuste, la consistencia en el rendimiento entre el mejor modelo inicial y el modelo final en el conjunto de prueba, incluso con un ligero aumento en la complejidad al añadir más árboles, sugiere que el modelo final generaliza bien a datos no vistos y no presenta signos evidentes de sobreajuste. El alto R2 indica que una gran proporción de la varianza en la variable objetivo es explicada por el modelo, mientras que el bajo RMSE señala que las diferencias entre los valores predichos y reales son pequeñas.
Árbol de decisión
Paraeste algoritmo realizaremos un árbol de clasificación, primero haremos un mapeo de las claves numéricas hcia los valores reales, también descartaremos algunas variables que tienen una gran cantidad de NA’s (esto se vio en el análisis exploratorio)
## Warning: cex and tweak both specified, applying both
Ahora hacemos las predicciones
## Confusion Matrix and Statistics
##
## Reference
## Prediction Mucho mayor Mucho menor Similar
## Mucho mayor 9769 1103 1528
## Mucho menor 1407 3871 465
## Similar 3824 10026 13007
##
## Overall Statistics
##
## Accuracy : 0.5922
## 95% CI : (0.5876, 0.5967)
## No Information Rate : 0.3333
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 0.3882
##
## Mcnemar's Test P-Value : < 2.2e-16
##
## Statistics by Class:
##
## Class: Mucho mayor Class: Mucho menor Class: Similar
## Sensitivity 0.6513 0.25807 0.8671
## Specificity 0.9123 0.93760 0.5383
## Pos Pred Value 0.7878 0.67404 0.4843
## Neg Pred Value 0.8395 0.71651 0.8902
## Prevalence 0.3333 0.33333 0.3333
## Detection Rate 0.2171 0.08602 0.2890
## Detection Prevalence 0.2756 0.12762 0.5968
## Balanced Accuracy 0.7818 0.59783 0.7027El primer modelo tuvo un accuracy de 0.59 y un kappa value de 0.38, esto indica que puede mejorarse bastante, además muestra dificultad identificando una diferencia de edad mucho menor y una diferencia deedad mucho mayor, por lo tanto, se tunearan los hiperparámetros como la profundiad para ver si hay un modelo mejor.
## Confusion Matrix and Statistics
##
## Reference
## Prediction Mucho mayor Mucho menor Similar
## Mucho mayor 11059 1964 2252
## Mucho menor 1653 6665 2922
## Similar 2288 6371 9826
##
## Overall Statistics
##
## Accuracy : 0.6122
## 95% CI : (0.6077, 0.6167)
## No Information Rate : 0.3333
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 0.4183
##
## Mcnemar's Test P-Value : < 2.2e-16
##
## Statistics by Class:
##
## Class: Mucho mayor Class: Mucho menor Class: Similar
## Sensitivity 0.7373 0.4443 0.6551
## Specificity 0.8595 0.8475 0.7114
## Pos Pred Value 0.7240 0.5930 0.5316
## Neg Pred Value 0.8674 0.7531 0.8049
## Prevalence 0.3333 0.3333 0.3333
## Detection Rate 0.2458 0.1481 0.2184
## Detection Prevalence 0.3394 0.2498 0.4108
## Balanced Accuracy 0.7984 0.6459 0.6832Vemos que el modelo mejoró encontrando las clases de mucho mayor y mucho menor, sin embargo disminuyó su rendimiento a la hora de encontrar datos con categoría “similar”
## Confusion Matrix and Statistics
##
## Reference
## Prediction Mucho mayor Mucho menor Similar
## Mucho mayor 10964 1647 2191
## Mucho menor 1547 6374 2276
## Similar 2489 6979 10533
##
## Overall Statistics
##
## Accuracy : 0.6194
## 95% CI : (0.6149, 0.6238)
## No Information Rate : 0.3333
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 0.429
##
## Mcnemar's Test P-Value : < 2.2e-16
##
## Statistics by Class:
##
## Class: Mucho mayor Class: Mucho menor Class: Similar
## Sensitivity 0.7309 0.4249 0.7022
## Specificity 0.8721 0.8726 0.6844
## Pos Pred Value 0.7407 0.6251 0.5266
## Neg Pred Value 0.8663 0.7521 0.8213
## Prevalence 0.3333 0.3333 0.3333
## Detection Rate 0.2436 0.1416 0.2341
## Detection Prevalence 0.3289 0.2266 0.4445
## Balanced Accuracy 0.8015 0.6488 0.6933Se generaron 6 modelos más de árboles de clasificación, cambiando la profundidad del árbol, se puede observar qe tanto el kappa value como el accuracy no mejoran de manera significativa con respecto al modelo incial ya que el accuracy se mantiene en 0.72 y el kappa value en 0.39. Con esta información se puede concluir que el modelo de árbol de clasificación no es beneficioso para realizar predicciones sobre nuestra variable respuesta ya que tiene problemas en identificar las categorías establecidas. Esta dificultad de identificación puede deberse a la distribución de las categorías en el conjunto de datos de entrenamiento.
Regresión logística
## Confusion Matrix and Statistics
##
## Reference
## Prediction Mucho mayor Mucho menor Similar
## Mucho mayor 10270 1313 1553
## Mucho menor 1814 7412 3270
## Similar 2796 6201 10125
##
## Overall Statistics
##
## Accuracy : 0.6213
## 95% CI : (0.6168, 0.6258)
## No Information Rate : 0.334
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 0.4319
##
## Mcnemar's Test P-Value : < 2.2e-16
##
## Statistics by Class:
##
## Class: Mucho mayor Class: Mucho menor Class: Similar
## Sensitivity 0.6902 0.4966 0.6773
## Specificity 0.9041 0.8296 0.6981
## Pos Pred Value 0.7818 0.5931 0.5295
## Neg Pred Value 0.8542 0.7671 0.8118
## Prevalence 0.3325 0.3335 0.3340
## Detection Rate 0.2295 0.1656 0.2262
## Detection Prevalence 0.2935 0.2792 0.4273
## Balanced Accuracy 0.7971 0.6631 0.6877## Confusion Matrix and Statistics
##
## Reference
## Prediction Mucho_mayor Mucho_menor Similar
## Mucho_mayor 10271 1260 1568
## Mucho_menor 1787 7374 3131
## Similar 2822 6292 10249
##
## Overall Statistics
##
## Accuracy : 0.6233
## 95% CI : (0.6188, 0.6278)
## No Information Rate : 0.334
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 0.4348
##
## Mcnemar's Test P-Value : < 2.2e-16
##
## Statistics by Class:
##
## Class: Mucho_mayor Class: Mucho_menor Class: Similar
## Sensitivity 0.6903 0.4940 0.6856
## Specificity 0.9053 0.8351 0.6942
## Pos Pred Value 0.7841 0.5999 0.5293
## Neg Pred Value 0.8544 0.7674 0.8149
## Prevalence 0.3325 0.3335 0.3340
## Detection Rate 0.2295 0.1648 0.2290
## Detection Prevalence 0.2927 0.2747 0.4327
## Balanced Accuracy 0.7978 0.6646 0.6899## Confusion Matrix and Statistics
##
## Reference
## Prediction Mucho_mayor Mucho_menor Similar
## Mucho_mayor 10359 1273 1608
## Mucho_menor 1775 7314 3065
## Similar 2746 6339 10275
##
## Overall Statistics
##
## Accuracy : 0.6245
## 95% CI : (0.62, 0.629)
## No Information Rate : 0.334
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 0.4366
##
## Mcnemar's Test P-Value : < 2.2e-16
##
## Statistics by Class:
##
## Class: Mucho_mayor Class: Mucho_menor Class: Similar
## Sensitivity 0.6962 0.4900 0.6874
## Specificity 0.9036 0.8377 0.6952
## Pos Pred Value 0.7824 0.6018 0.5307
## Neg Pred Value 0.8565 0.7665 0.8160
## Prevalence 0.3325 0.3335 0.3340
## Detection Rate 0.2315 0.1634 0.2296
## Detection Prevalence 0.2958 0.2716 0.4326
## Balanced Accuracy 0.7999 0.6639 0.6913`